高光谱遥感图像的单形体分析方法

将n个波段的高光谱图像像元与n维空间里的散点联系起来，结合凸体几何中单形体概念研究高光谱遥感图像纯净像元提取方法，实现图像的地物精确分类识别及像元波谱分解。寻找高光谱遥感图像n维空间里的单形体并认知分析单形体是该研究方法的重要环节。通过MNF(minimum noise fraction)变换和PPI(pixel purity index)计算技术寻找到单形体，基于单形体进行像元分解分析单形体，并结合应用实例和SAM(spectral angle mapper)分类技术完成高光谱图像地物精确分类制图，验证了该研究方法的可操作性。该研究方法的优点在于不需要用户提供地物波谱信息，用于制图和波谱分解的终端单元可由图像本身得到，并由用户控制分类制图和波谱分解的详细程度。     

基于单亲遗传算法和子像元/像元空间吸引模型的亚像元制图研究

混合像元普遍存在于遥感图像数据中。与传统的硬分类(Hard Classification)方法相比,在处理混合像元时,软分类(Soft Classification)技术可以避免信息丢失;但是,通过软分类技术获得的结果,仍然无法确定各分类在像元中的具体位置。子像元制图(或超分辨率制图、亚像元制图)技术能将软分类技术得到的结果转化为更高分辨率的图像,它能兼得软分类和硬分类两者的优势。将遗传算法的一个变种-单亲遗传算法应用于子像元制图,结合子像元/像元空间吸引模型,单亲遗传算法能直接获得子像元制图结果。以合成的图像和实际的土地覆盖图像为实验对象,通过目视比较和定量精度评价,与硬分类的结果相比,该方法能取得更高的制图精度和更好的结果。     

一种改进高光谱图像噪声评估的MNF变换算法

在光谱维变换法是高光谱图像特征提取和数据挖掘的重要工具,而最大噪声分数(MNF)变换更是应用于高光谱图像分类和混合像元分解当中最为常用的光谱维变换法之一.由于部分样本光谱特征可能被局部波段噪声淹没,在同类地物十分聚集的情况下,首先对高光谱图像做MNF变换处理会比做主成分(PC)变换处理的分类结果更优.但通过实验证明,如果不同类别地物混杂在一起,混杂程度对MNF变换结果的分类精度有着显著影响.随后文中从理论上阐明该影响存在的原因,并针对高光谱图像中地物混杂的情况,提出了一种改进噪声协方差矩阵(NCM)评估的MNF变换算法,并通过后续模拟数据和真实数据实验证明该变换法相对于经典MNF变换,特征提取效果明显改善,分类精度均有所提高.     

遥感影像亚像元定位研究综述

遥感影像亚像元定位是在混合像元分解基础上,利用地物空间分布特征确定不同地物类型在混合像元中的具体位置,得到亚像元尺度的地物分类图,是一种有效解决混合像元空间不确定性的方法。首先介绍遥感影像亚像元定位的基本概念,分析亚像元定位的理论模型和求解算法;然后总结亚像元定位模型的误差来源、精度评价方法以及结果不确定性的表达手段,同时讨论利用辅助数据源提高亚像元定位精度的主要方法;最后对亚像元定位的研究趋势做了进一步展望。     

基于局部连续性与全局相似性的光谱保持型亚像元映射

遥感图像的像元级分类精度受混合像元的影响. 亚像元映射以像元分解获得的丰度值为基础,在地物分布规律的约束下,细化估计各类地物的亚像元级分布模式. 本文同时考虑了地物分布的空间与光谱信息,提出了一种基于局部连续性与全局相似性的光谱保持型亚像元映射算法. 针对地物的空间分布特性,提出了利用类内离散度对局部连续性进行建模,并通过相似分布像元表示误差引入全局相似性约束项. 针对地物的光谱特性,采用最小化光谱误差约束了亚像元映射过程中的光谱无失真性. 模拟数据与真实数据上的实验结果表明,本文算法比其他同类算法具有更高的估计精度,且更适合于实际应用.     

应用光谱混合分析法从SPOT影像提取槟榔树专题信息

台湾地区槟榔树分布面积较大,但是种植密度不高,用通常的遥感影像分类和专题信息提取方法不能有效地提取槟榔树的分布范围。光谱混合分析是将一个像元看成多种地物的组合,分别求出各种地物所占的比例。运用线性光谱混合分析的方法,对台湾的SPOT卫星影像进行像元分解,提出了如何利用低光谱分辨率影像分解像元的方法。通过与最大似然分类和阈值法提取结果的比较,表明光谱混合分析法不仅有效地提取了槟榔树分布的范围,还计算出槟榔树分布的密度,是一种较好的方法。     

FUZZY-ARTMAP混合像元分解及其应用

对于定量遥感来说,混合像元是制约它深入发展的难点之一。针对中高分辨率图像ETM＋,采用FUZZY ARTMAP神经网络进行混合像元分解,获得像元中不同地物的含量,进而获得像元的植被覆盖度。该方法在某地区ETM+图像的应用表明,试验结果能满足应用需求。     

基于自组织映射和模糊隶属度的混合像元分解

遥感图像中普遍存在着混合像元,将混合像元分解为端元和它们之间混合的丰度,对于高精度的地物识别和定量遥感具有重要意义.结合自组织映射神经网络和模糊理论中的模糊隶属度,提出一种新的多光谱和高光谱遥感图像混合像元分解的方法.首先对自组织映射神经网络进行有监督的训练,然后基于模糊模型对混合像元进行分解.其分解结果自动满足混合像元分解问题所要求的2个约束:丰度值非负约束及丰度值和为1约束.实验结果表明,该方法不仅适用于线性光谱混合的情况,也适用于非线性光谱混合的情况,能够获得较好的混合像元分解结果,同时具有较强的抗噪声能力.     

基于双图正则的半监督NMF混合像元解混算法

在高光谱图像中混合像元普遍存在,这极大地阻碍了高光谱遥感技术的发展进程,因此,在利用光谱图像的过程中,如何准确高效地进行混合像元解混是一个关键问题。对于高光谱图像混合像元分解,使用原始的非负矩阵分解(Nonnegative Matrix Factorization,NMF)算法面临一些困难:首先,其目标函数为非凸函数,难以求解得到全局最优解;其次,混合像元中并不存在纯像元。为了解决这些问题,文中提出一种新的算法——基于双图正则的半监督NMF(Dual graph-regularized Constrained Nonnegative Matrix Factorization,DCNMF)混合像元解混算法。该算法采用了梯度下降法和迭代更新法则,既考虑了高光谱数据流形与光谱特征流形的几何结构,又能跳出局部极值,从而求解得到全局最优解。通过真实的高光谱图像数据仿真实验表明,DCNMF算法能够准确高效地进行混合像元分解,改善了解混效果,提高了解混精度,节约了计算时间,加快了收敛速度。     

基于光谱归一化的变组分光谱混合分析(NMESMA)方法及其应用

混合像元问题在低、中分辨率遥感图像中尤为突出,混合像元的存在不仅会影响地物识别和图像分类精度,也是遥感科学向定量化发展的主要障碍之一。因此,遥感图像混合像元分解及其地表覆盖信息的定量提取是近年来研究的热点。针对城市土地覆盖信息的定量提取问题,利用中等分辨率遥感图像(Landsat TM),集成光谱归一化与变组分光谱混合分析(NMESMA)的方法,基于植被-非渗透表面-土壤(V\|I\|S)模型,定量提取研究区植被、土壤和非渗透表面3类土地覆盖的定量信息,并与固定组分的光谱混合分析(LSMA)分解结果进行对比分析。结果表明:基于光谱归一化的变组分光谱混合分析(NMESMA)方法获得的精度高于传统固定组分的光谱混合分析(LSMA)结果,可有效解决光谱异质性较高的城市区域的混合像元问题,为有效提取城市地表覆盖信息,研究城市生态环境变化和模拟分析,提供了有效的信息提取方法。     

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。     

基于ANN端元估计的高光谱图像解混算法

针对高光谱图像解混问题进行研究,发现传统解混算法在保持端元数目不变的情况下,得到的解混精度不高。为此,基于人工神经网络（ANN）提出一种估计单像素点中端元数目和类别的解混算法。首先利用人工神经网络对遥感图像中各个像素的端元数目和类别进行估计;之后依据估计结果确定解混算法的目标函数,并引入改进的差分搜索算法对目标函数进行优化求解;最终获取地物丰度和待求参数,实现高光谱图像的解混。仿真数据和真实遥感数据实验表明,与现有的解混算法相比,所提解混算法具有更高的解混性能,更加符合实际场景的情况。     

基于拉格朗日的高光谱解混算法研究*

针对混合像元分解误差问题,提出一种基于拉格朗日算法的高光谱解混算法。通过变分增广拉格朗日算法提取出部分端元,由于端元组中存在相似端元影响解混精度,利用基于梯度的光谱信息散度算法进行光谱区分,除去相似端元。通过对得到的端元进行排序,依次增加端元进行光谱解混,将满足条件的端元增加进端元组,最终得到优选端元。该方法不仅有效去除了相似端元的干扰,而且不需要不断搜索端元的组合,根据每个端元对于混合像元的重要性做出相应次数的非限制性最小二乘法计算,得到更精确高光谱端元的子集,该方法对高光谱混合像元解混的效率以及可靠性均有所提高。     

An image fusion method based on object-oriented classification

In image fusion of different spatial resolution multispectral (MS) and panchromatic (PAN) images, a spectrally mixed MS pixel superimposes multiple mixed PAN pixels and multiple pure PAN pixels. This verifies that with increased spatial resolution in imaging, a low spatial resolution spectrally mixed subpixel may be unmixed to be a pure pixel. However, spectral unmixing of mixed MS subpixels is rarely considered in current remote-sensing image fusion methods, resulting in blurred fused images. In the image fusion method proposed in this article, such spectral unmixing is realized. In this method, the MS and PAN images are jointly segmented into image objects, image objects are classified to obtain a classification map of the PAN image and each MS subpixel is fused to be a pixel matching the class of the corresponding PAN pixel. Tested on spatially degraded IKONOS MS and PAN images with a significant spatial resolution ratio of 8:1, the fusion method offered fused images with high spectral quality and deblurred visualization.     

Particle swarm optimization-based sub-pixel mapping for remote-sensing imagery

Mixed pixels are widely existent in remote-sensing imagery. Although the proportion occupied by each class in mixed pixels can be determined by spectral unmixing, the spatial distribution of classes remains unknown. Sub-pixel mapping (SPM) addresses this problem and a sub-pixel/pixel spatial attraction model (SPSAM) has been introduced to realize SPM. However, this algorithm fails to adequately consider the correlation between sub-pixels. Consequently, the SPM results created by SPSAM are noisy and the accuracy is limited. In this article, a method based on particle swarm optimization is proposed as post-processing on the SPM results obtained with SPSAM. It searches the most likely spatial distribution of classes in each coarse pixel to improve the SPSAM. Experimental results show that the proposed method can provide higher accuracy and reduce the noise in the results created by SPSAM. When compared with the available modified pixel-swapping algorithm, the proposed method often yields higher accuracy results.     

Iterative spectral unmixing (ISU)

Spectral unmixing techniques strive to find proportions of end-members within a pixel from the observed mixed pixel spectrum and a number of pure end-member spectra of known composition. The outcomes of such analysis are fraction (abundance) images for the selected (pure) end-members and a root mean square (RMS) error estimate representing the difference between the observed mixed spectrum and the calculated mixed spectrum. The RMS image can be used to select additional end-members and re-position existing ones. This is now done manually. In this Letter, an automatediterative approach is proposed using the RMS error image to select additional end-members and re-distribute older ones in order toincrease the accuracy of the spectral unmixing. Optimization criteria are proposed to drive the iterative process including minimization of the average RMS, minimizing the spread of the RMS values, minimizing the spatial structure of the RMS image, minimizing the spatial anisotropy of the RMS image and minimizing the local variance. The preliminary results of the analysis indicate that considerable improvement tothe spectral unmixing results are achieved using the iterative spectral unmixing (ISU) approach.     

Linear spectral unmixing using endmember coexistence rules and spatial correlation

Mixed pixels are often formed when surface materials are smaller than the spatial resolution of a sensor, or two or more ground features fall within a pixel. Spectral unmixing, decomposing a mixed pixel into a set of endmembers and their corresponding abundance fractions, is an important method for extracting the underlying spectral and spatial information from remote sensing images. Recent studies have shown that it is difficult to increase the accuracy of unmixing using single pixel processing. Here, we suggest combining information on the fundamental interrelations of ground components and a priori knowledge on how ground components co-exist or exclude each other according to general geographic and geomorphic relations with spectral information may allow improved unmixing. Therefore, we propose a novel spectral unmixing method to estimate endmember abundances based on linear spectral mixing model with endmember coexistence rules and spatial correlation (LSMM-R&C). This method was implemented by incorporating endmember coexistence rules along with spatial correlation into a weighted least square method. Experiments with both synthetic and real satellite images were carried out to verify the proposed method, and its performance was also evaluated in comparison to the commonly used LSMM (linear spectral mixture method), LAU (local adaptive unmixing), ISU (iterative spectral unmixing) and ISMA (iterative spectral mixture analysis) methods. LSMM-R&C showed the smallest error, and was more effective at revealing the detailed spatial distribution of endmembers’ abundance, showing high potential for solving the problem of spatial heterogeneity among neighbouring pixels.     

非监督正交子空间投影的高光谱混合像元自动分解

利用混合像元线性分解技术处理高光谱影像，以获取研究区域中同一像元的不同组份是遥感应用的主要目的之一。近年来，研究者们发展了一种正交子空间投影技术(0SP)，用来探测感兴趣目标，进一步可以用来分解混合像元，然而应用这种方法分解混合像元的缺陷是需要有研究区域的先验信息，这就制约了它在这方面的应用。为此针对这种不足，提出一种非监督的正交子空间投影(UOSP)技术，用来自动获取影像端元光谱，同时进行混合像元分解。并用成像光谱数据(PHI)实例测试了这个方法，结果表明该方法自动获取的端元比较合理，且分解混合像元精度较高。